BRIN AIDeaNation 2026 · AI for Sustainable Future

Interstice

Agent Runtime Intelligence — Lapisan Inspeksi dan Penegakan
Kepatuhan Real-Time untuk Setiap Aksi AI Agent

github.com/joyedz/interstice  ·  Kategori: Tata Kelola & Keamanan AI

Masalah

Sistem memantau apa yang AI "katakan" —
bukan apa yang AI "lakukan".

AI agent kini melakukan query basis data, memanggil API, memindahkan dana, dan mengakses data sensitif secara otonom — tanpa visibilitas memadai.

Kondisi Praktis

Empat Celah Kritis

👁
Blind Database Reads
Agent membaca data tanpa visibilitas atau batasan yang memadai.
🔑
Kredensial Over-Permissioned
Agent memegang akses jauh lebih luas daripada kebutuhan tugasnya.
🚫
Nol Visibilitas Data
Organisasi tak tahu data sensitif apa yang benar-benar tersentuh.
⚡
Tanpa Kontrol Real-Time
Satu prompt keliru → eksposur PII massal atau kebocoran senyap.
Celah yang Kosong

Alat yang ada menutup sebagian celah —
belum ada yang menginspeksi di level data.

Validasi Output LLM
Memeriksa teks yang dihasilkan
Isolasi Proses
Pembatasan eksekusi
Rate Limiting API
Pembatasan frekuensi

Interstice mengisi celah itu sebagai pelengkap, bukan pengganti — inspeksi perilaku di level data secara langsung.

Solusi

Lapisan di antara agent & produksi

AI Agent
LangChain · CrewAI · AutoGen
→
Interstice
Inspeksi & Penegakan
→
Basis Data & API
Postgres · Sistem Produksi

TCP proxy transparan — menyadap trafik Postgres tanpa mengubah kode agent, cukup mengganti port koneksi.

Enam Tahap Inspeksi per Query
1
Intersepsi Transparan
TCP proxy menyadap trafik Postgres — tanpa perubahan kode agent.
2
Parsing Berbasis AST
SQL diurai dengan libpg-query — menutup bypass via subquery, CTE, alias kolom.
3
Deteksi Data Sensitif
Kolom PII (mis. email) dan finansial (mis. gaji) ditandai otomatis.
4
Risk Scoring Real-Time
Skor risiko 0–100 berdasarkan konten dan konteks (mis. bulk read tanpa WHERE).
5
Penegakan Kebijakan
Policy YAML hot-reload → keputusan ALLOWED, BLOCKED, atau FLAGGED.
6
Audit Terstruktur
Setiap keputusan & metadata tercatat penuh (Drizzle ORM + PostgreSQL).
Penegakan Kebijakan

Tiga keputusan, real-time

✓ ALLOWED
✕ BLOCKED
⚑ FLAGGED

Berdasarkan policy YAML yang dapat dimuat ulang tanpa restart (hot reload). Ditandai sebagai enforcementTier terpisah untuk proxy vs SDK.

Arsitektur Modular

Tiga Modul

Open-Source MIT
AgentConnect
Proxy inspeksi & penegakan produksi. Tahan tamper, zero code change.
Open-Source MIT
@interstice/sdk
Guard dev-tier in-process untuk evaluasi cepat tanpa proxy.
Komersial · Fase 3
AgentVault
Kredensial berumur pendek, terbatas cakupan (JIT).

Adopsi bertahap: mulai dari SDK ringan di pengembangan, hingga proxy produksi penuh.

Performa
0,104ms
Latensi p99 hangat — parser AST

Ambang batas gate: di bawah 1 ms. Parser berbasis AST teruji — menutup celah bypass tak terlihat oleh parser regex.

Keunggulan

Mengapa Interstice

🔍
Inspeksi Level Data
Bukan hanya output teks — mengisi celah yang belum ditutup validasi LLM maupun isolasi proses.
⚙
Zero Code Change
Proxy transparan — hanya perlu mengganti port koneksi, tanpa modifikasi kode agent.
🛡
Parser AST Teruji
Menutup bypass subquery, CTE, alias. Latensi p99 0,104 ms.
⇄
Dua Mode Adopsi
Proxy untuk produksi tahan tamper, SDK in-process untuk evaluasi cepat.
✓
Sudah Terealisasi
Fase 1, 2, 2.5, 2.6 selesai — kode dan pengujian, bukan sekadar konsep.
🔒
TLS Terarah
Ke Neon, Supabase, RDS/Aurora, Cloud SQL. Fail-closed saat TLS gagal.
Rencana Eksekusi

Timeline

Fase 1–2
Proxy inti, parsing SQL, risk scoring, penegakan kebijakan, audit log terstruktur
Selesai
Fase 2.5
TLS terarah ke Postgres terkelola (Neon, Supabase, RDS/Aurora, Cloud SQL)
Selesai
Fase 2.6
Parser AST (libpg-query), @interstice/sdk, penanda enforcementTier proxy/sdk
Selesai
Fase 3
Konektor Salesforce, webhook alert, dashboard kepatuhan, AgentVault (JIT), hosting cloud
Direncanakan
Target Pengguna

Untuk Siapa

🏛
Instansi & BUMN
Mengoperasikan AI copilot dengan akses ke basis data layanan publik.
🏢
Startup & Perusahaan
Fintech, healthtech, e-commerce dengan agent otonom yang menyentuh data pelanggan.
🛠
Tim Engineering & Security
Membangun sistem multi-agent (LangChain, CrewAI, AutoGen) — butuh lapisan kepatuhan siap pakai.

Skala nasional — AgentConnect & SDK bersifat open-source, adopsi lintas sektor tanpa hambatan lisensi.

Rencana Anggaran Biaya
Rp 22jt
Total Estimasi Kebutuhan

Kisaran disusun konservatif dengan buffer kontingensi. Rincian final disusun setelah cakupan pilot disepakati bersama tim BRIN.

Dampak

Mengubah akses AI agent dari
tak terlihat menjadi dapat diamati,
dari tak terkendali menjadi dapat dikendalikan.

Mengendalikan bukan apa yang AI pikirkan,
melainkan apa yang AI sentuh.

Demi adopsi AI yang aman, akuntabel, dan berkelanjutan bagi kepercayaan digital publik.

1 / 14